人工智能在感染预防与控制领域的应用、障碍与决策支持清单：一项范围综述

《Antimicrobial Stewardship & Healthcare Epidemiology》：Advancing infection prevention and control through artificial intelligence: a scoping review of applications, barriers, and a decision-support checklist

本综述系统评估了人工智能（AI）在医疗保健相关感染（HAI）预防与控制（IPC）中的实际应用，识别了数据质量、系统集成等关键障碍，并开发了一套包含6大领域、41个条目的决策支持清单，为IPC团队安全、可持续地引入AI工具提供了结构化评估工具。

　　

在全球范围内，医疗保健相关感染（Healthcare-Associated Infections, HAI）始终是威胁患者安全和医疗质量的一大难题。传统的感染预防与控制（Infection Prevention and Control, IPC）措施，如主动监测、暴发调查和基于传播途径的预防措施，虽然必不可少，但往往具有反应滞后和资源密集的特点。随着数据量的激增和计算能力的提升，人工智能（Artificial Intelligence, AI）技术为革新IPC实践带来了新的希望。它能够整合实验室结果、耐药谱、患者流动和合规行为等多元数据，实现预测分析、感染早期识别、手卫生依从性监测等多种应用。然而，尽管大量研究证明了其技术可行性，但AI在IPC领域的实际转化应用仍然有限，其瓶颈究竟何在？医疗机构在引入AI工具前又应做好哪些准备？

为了回答这些问题，由Silvana Gastaldi领衔的研究团队在《Antimicrobial Stewardship & Healthcare Epidemiology》上发表了一项范围综述。研究人员系统性地回顾了2014年至2024年间发表的文献，旨在审视AI在医疗保健IPC中的实际应用，识别影响其实施的障碍和风险，并最终开发一个结构化的清单来支持安全采纳。

研究者采用了乔安娜布里格斯研究所（Joanna Briggs Institute, JBI）的范围综述方法学，并依据PRISMA-ScR（Preferred Reporting Items for Systematic reviews and Meta-Analyses extension for Scoping Reviews）指南进行报告。研究检索了PubMed、Scopus和Web of Science三大数据库，筛选标准聚焦于描述AI在IPC中真实世界应用的原始研究。最终，从2143条记录中筛选出100篇符合条件的研究纳入分析。数据提取涵盖了研究设计、AI类型、IPC功能、集成水平、障碍和结局等多个维度，并通过主题综合分析法，最终衍生出一份包含41个条目的决策支持清单。

研究结果

纳入研究概况与地理分布

分析显示，相关研究活动自2017年后明显加速，超过三分之二（68%）的研究发表于2022年至2024年间。证据产出高度集中于高收入国家，其中美国占35%，中国占17%，欧洲国家占19%。来自撒哈拉以南非洲和中东地区的研究仅占6%，反映了全球范围内研究能力和资源的不平衡。

研究设计与AI技术类型

近半数（49%）的研究属于回顾性设计，依赖于已有的健康或实验室数据来构建或测试模型。实验性设计占30%，而评估真实世界应用的干预/实施性研究仅占17%，进行独立验证的研究更是低至4%。这凸显了从概念验证到实际应用之间存在显著的转化鸿沟。在AI技术类型上，机器学习（Machine Learning, ML）是绝对主导（75%），主要用于预测分析。深度学习（Deep Learning, DL）占21%，生成式AI（Generative AI）则处于探索阶段，仅占4%。

IPC应用领域

研究识别出九大IPC应用领域。预测分析系统是最大的应用板块，占53%，例如利用逻辑回归、梯度提升等监督模型预测中心导管相关血流感染（Central-Line Associated Bloodstream Infection）、耐多药（Multidrug-Resistant, MDR）细菌感染或手术部位感染（Surgical Site Infection, SSI）风险。手卫生依从性监测（13%）和HAI检测（13%）并列第二，应用技术包括视频分析、传感器网络和光学显微镜结合ML分类等。其他应用还包括HAI监测（8%）、暴发检测（4%）、教育与培训（3%）、环境监测（3%）、抗菌素耐药性（Antimicrobial Resistance, AMR）预测（1%）以及决策支持仪表板（2%）。

实施障碍与风险

障碍分析表明，数据相关问题是最主要的障碍（45%），涉及记录不完整、术语不标准、数据流延迟等。技术与经济相结合的障碍（16%）、技术与数据相结合的障碍（16%）也较为常见。纯粹的技术问题（如系统中断、高计算需求）占9%。风险分类显示，操作风险（35%）和技术风险（33%）最为普遍。操作风险包括过度依赖预测而未经验证、输出结果被潜在误解等；技术风险则涉及模型过拟合（Overfitting）、数字文档不全导致的漏检等。数据安全问题在12%的研究中被提及。

数字集成状态

一个关键的发现是，仅有15%的研究描述了AI工具已与医院或公共卫生信息系统的其他数字层（如电子健康记录Electronic Health Record, EHR、物联网Internet of Things, IoT数据流、全基因组测序Whole-Genome Sequencing, WGS管道）集成。绝大多数（85%）系统仍处于原型阶段，缺乏广泛的数字连接性，这成为AI发挥实际效用的主要瓶颈。

决策支持清单

基于上述发现，研究团队开发了一套结构化的就绪度评估清单。该清单包含41个项目，分为六个核心域：治理与政策、数据质量与互操作性、技术与基础设施、人力与工作流适配、风险与合规性、经济与资源。每个项目都标有优先级（高/中）和成熟度评分（0-3分），旨在帮助IPC团队系统评估可行性、分配资源和规避风险，将实证发现与国际治理框架（如WHO AI伦理指南和欧盟AI法案）对齐。

结论与讨论

本综述清晰地表明，人工智能在增强感染预防与控制方面展现出明确潜力，特别是在早期检测和合规性监测领域。然而，其向临床实践的转化仍受到数据碎片化、有限的集成度以及不同机构间准备程度参差不齐的制约。成功的应用不仅取决于算法精度，更依赖于可靠使用的先决条件：高质量的数据、无缝的集成以及组织的就绪度。

数据质量是驱动AI性能的核心。几乎在所有IPC应用领域中，最有效的系统都建立在完整、高保真度的数据基础之上。数据就绪度必须先于模型采纳。数字集成则是真正的瓶颈。研究设计的分布揭示了显著的转化差距，大多数AI-for-IPC工具仍停留在开发沙箱内，未能与EHR界面、IPC仪表板或实时数据流有效连接。集成成功案例（如将手卫生系统链接至IPC仪表板）表明，当输出结果易于被团队获取并采取行动时，能带来依从性改善和更早的干预。

障碍和风险往往跨域交织。数据缺口、脆弱的数字基础设施、预算限制和用户怀疑论相互作用、相互强化。风险格局提示，操作漏洞与算法故障同样常见，甚至更具破坏性。不同IPC应用领域的成熟度存在差异，预测分析和手卫生监测等应用更接近常规使用准备就绪，而基于全基因组测序的AMR预测和传感器环境监测则仍处于探索阶段。

该综述提出的证据知情清单，为IPC领导者提供了一个简洁、基于实证的工具，用于在AI部署前评估可行性、分配资源和规避风险。未来的研究应结合性能指标与可解释性、可持续性报告，并在多样化的低资源环境中进行验证，以推动AI从有前景的试点走向常规实践。